Hidden Markov models on assembly graphs

Abstract

В данной выпускной квалификационной работе изучается задача предсказания генов — поиск кодирующих последовательностей. Формальное определение понятия гена является сложной задачей, и на данный момент не существует общепринятого определения. В исследовании предпочтение отдаётся аппарату скрытых марковских моделей как эффективному способу формализиции понятия. Ключевым методом исследованния является FragGeneScan — метод решения задачи предсказания генов, основанный на скрытых марковских моделях. Рассмотрена марковская цепь модели FragGeneScan, а также подробно описан алгоритм Витерби, с помощью которого и решается задача предсказания генов. Описана задача предсказания генов на графах, поставлена цель — решить задачу на ориентированных ацикличных графах. Разработан алгоритм, основанный на модификации алгоритма Витерби, выполнена его реализация на языке программирования C++. Осуществлена проверка корректности работы алгоритма на тривиальных графах, а также на графах с развилками и соединениями. Выполнено сравнение результаты работы на графах, на которых были расположены как сами геномы Escherichia coli, Staphylococcus aureus, Rhodobacter sphaeroides, так и их случайные участки.

This bachelor thesis is concerned with the study of the problem of gene prediction, a search for coding sequences. Now there is no consensus definition of the concept of a gene. In the study preference is given to the apparatus of hidden Markov models as an effective way to formalize the concept. The key method of the study is FragGeneScan, a method for solving the gene prediction problem based on hidden Markov models. The Markov chain of the FragGeneScan model is discussed, and the Viterbi algorithm, which is used to solve the gene prediction problem, is described in detail. The gene prediction problem on graphs is described, and the goal is to solve the problem on oriented acyclic graphs. The algorithm based on a modification of the Viterbi algorithm has been developed, and its implementation in C++ programming language has been performed. The correctness of algorithm's work on trivial graphs, as well as on graphs with forks and junctions has been checked. The results were compared on graphs on which the genomes of Escherichia coli, Staphylococcus aureus, and Rhodobacter sphaeroides were located, as well as their random regions.